[工程科技]第七章CRM中的数据挖掘.ppt

仲恺农业工程学院市场营销系 第七章 CRM中的数据挖掘 内 容 7.1 数据挖掘的定义 7.2 数据挖掘的功能 7.3 数据挖掘的流程 7.4 数据挖掘在CRM中的应用 7.5 两个常见数据挖掘工具软件 7.6 数据挖掘软件在CRM中的应用示例 7.1 数据挖掘的定义---技术角度 数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。 这个定义包括以下几层含义： 数据源必须是真实的、大量的、含噪声的； 发现的是用户感兴趣的知识； 发现的知识要可接受、可理解、可运用； 并不要求发现放之四海皆准的知识，仅支持特定的发现问题。 数据挖掘的定义----商业角度 按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。 OLAP与数据挖掘的区别 OLAP是一个演绎推理的过程，而数据挖掘是一个归纳的过程。 OLAP OLAP分析师是建立一系列的假设，然后通过OLAP来证实或推翻这些假设来最终得到自己的结论,因此说，OLAP分析过程在本质上是一个演绎推理的过程。 但是如果分析的变量达到几十或上百个，那么再用OLAP手动分析验证这些假设将是一件非常困难和痛苦的事情。 数据挖掘 与OLAP不同的地方是：数据挖掘不是用于验证某假定的模式（模型）的正确性，而是在数据库中自己寻找模型，因此说它在本质上是一个归纳的过程。 比如，一个用数据挖掘工具的分析师想找到引起贷款拖欠的风险因素。数据挖掘工具可能帮他找到高负债和低收入是引起这个问题的因素，甚至还可能发现一些分析师从来没有想过或试过的其他因素，比如年龄。 也就是说,数据挖掘与联机分析处理的本质区别是,数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘所得到的信息应具有先前未知,有效和可实用三个特征。 先前未知的信息是指该信息是预先未曾预料到的,既数据挖掘是要发现那些不能靠直觉发现的信息或知识,甚至是违背直觉的信息或知识,挖掘出的信息越是出乎意料,就可能越有价值。 因此，数据挖掘得到的规则可以作为OLAP工具的输入，反过来OLAP工具分析得到的答案又检验规则的有效性、可信度，即OLAP工具分析得到的特征归纳还可以用来完善规则。 7.2 数据挖掘的功能（任务） 数据挖掘主要有以下功能: 总结规则挖掘 平均值/极小值/极大值、总和、百分比等 关联规则挖掘 分类规则挖掘 群集规则挖掘（聚类分析） 自动预测趋势和行为? 概念描述 偏差检测 关联规则挖掘 若两个或多个变量的取值之间存在某种规律性，就被称为关联。 关联可分为简单关联、时序关联、因果关联。 关联分析的目的是找出数据库中隐藏的关联网。 关联分析发现关联规则，这些规则展示属性值频繁地在给定数据集中一起出现的条件。 关联规则属性的四个参数： 可信度(confidence):物品集X出现的前提下，Y出现的概率 支持度(support):物品集X、Y同时出现的概率 期望可信度(expected confidence):物品集Y出现的概率 作用度(lift):可信度对期望可信度的比值。 作用度描述物品集X的出现对物品集Y的出现有多大作用的影响。因为Y在所有事务中出现的概率是期望可信度；而Y在有X出现的事务中出现的概率是可信度，通过可信度对期望可信度的比值反映了在加入“X出现”的这个条件后，Y的出现概率发生了多大变化 分类规则挖掘 在已知训练信息的特征和分类结果的基础上，为每种类别找到一个合理的描述或模型 用这些分类的描述或模型来对未知的新数据进行分类 聚类分析 数据库中的记录可划分为一系列有意义的子集，即聚类。 根据最大化类内的相似性、最小化类间的相似形的原则进行聚类或分组。即对象的聚类这样形成，使得一个聚类中的对象具有很高的相似性，而与其他聚类中的对象很不相似。所形成的每个聚类可以看作一个对象类，由他们导出规则。 聚类分析与分类分析的区别在于：分类是面向训练数据的，而聚类则直接对数据进行处理。 自动预测趋势和行为 ?数据挖掘自动在大型数据库中寻找预测性信息 运用历史数据建立模型，运用近期数据检查观察值的变化，运用最新数据预测未来变化。 一个典型的例子是市场预测问题，数据挖掘使用过去有关促销的数据来寻找未来投资中回报最大的用户。 概念描述 ?概念描述就是对某类对象的内涵进行描述，并概括这类对象的有关特征。 概念描述分为特征性描述和区别性描述，前者描述某类对象的共同特征，后者描述不同类对象之间的区别。 生成一个类的特征性描述只涉及该类对象中所有对象的共性。 生成区别性描述的方